[논문 리뷰] Social Network De-anonymization: More Adversarial Knowledge, More Users Re-Identified?

Jianwei Qian, Xiang‐Yang Li외 4명|arXiv (Cornell University)|2017. 10. 30.

Privacy-Preserving Technologies in Data참고 문헌 20인용 수 3

한 줄 요약

이 논문은 사회적 네트워크에서 적대적 배경 지식과 탈동명화 성과 사이의 관계를 조사하며, 더 많은 지식이 항상 더 나은 재식별을 이끌다는 가정을 도전한다. 에르되시-레니 모델과 힘의 법칙 모델 하에서 인위적 및 실재 네트워크에 대한 이론적 분석과 시뮬레이션을 통해, 탈동명화 성과가 지식 크기와 반드시 단조롭게 증가하지는 않음을 보여주며, 데이터 공급자와 공격자 모두에게 직관에 어긋나는 프라이버시의 트레이드오프를 드러낸다.

ABSTRACT

Following the trend of data trading and data publishing, many online social networks have enabled potentially sensitive data to be exchanged or shared on the web. As a result, users' privacy could be exposed to malicious third parties since they are extremely vulnerable to de-anonymization attacks, i.e., the attacker links the anonymous nodes in the social network to their real identities with the help of background knowledge. Previous work in social network de-anonymization mostly focuses on designing accurate and efficient de-anonymization methods. We study this topic from a different perspective and attempt to investigate the intrinsic relation between the attacker's knowledge and the expected de-anonymization gain. One common intuition is that the more auxiliary information the attacker has, the more accurate de-anonymization becomes. However, their relation is much more sophisticated than that. To simplify the problem, we attempt to quantify background knowledge and de-anonymization gain under several assumptions. Our theoretical analysis and simulations on synthetic and real network data show that more background knowledge may not necessarily lead to more de-anonymization gain in certain cases. Though our analysis is based on a few assumptions, the findings still leave intriguing implications for the attacker to make better use of the background knowledge when performing de-anonymization, and for the data owners to better measure the privacy risk when releasing their data to third parties.

연구 동기 및 목표

• 사회적 네트워크에서 적대적 배경 지식의 양과 질이 탈동명화 성과에 미치는 본질적 관계를 이해하는 것.
• 더 많은 배경 지식이 항상 더 높은 재식별 정확도를 이끌다는 일반적인 가정을 도전하는 것.
• 실제 공격을 전부 수행할 필요 없이 통제된 조건 하에서 탈동명화 성과를 정량화하는 것.
• 데이터 소유자에게는 프라이버시 위험 평가, 공격자에게는 지식 활용 전략에 대한 이론적 및 실증적 통찰을 제공하는 것.

제안 방법

• 탈동명화를 부분 그래프 동형성으로 모델링하며, 공개된 익명 네트워크를 그래프 G로, 공격자의 지식을 질의 그래프 Q로 간주한다.
• 공격자가 G 내에서 Q와 일치하는 모든 부분 그래프를 찾을 수 있다고 가정하며, 일치 조건은 위상적 및 속성 기반 제약 조건에 의해 정의된다.
• 배경 지식의 양(속성 수)과 질(특이성)을 모두 고려하여 정량화하며, 탈동명화 성과를 일치 수의 기대값으로 정의한다.
• 힘의 법칙 정도 분포 하에서 기대 일치 수 M_Q를 분석하기 위해 찬-루 무작위 그래프 모델을 사용한다.
• 도수 기대값과 공분산 분석을 통해 M_Q의 이론적 하한을 유도하며, 특정 조건 하에서 비단조적 행동을 보임을 보여준다.
• 인위적(G(n,p) 및 힘의 법칙) 및 실재 네트워크에서 시뮬레이션을 수행하여 이론적 결과의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 적대적 배경 지식의 양을 늘릴수록 항상 탈동명화 성과가 높아지는가?
• RQ2 배경 지식의 질(예: 속성의 특이성)은 탈동명화 성공률에 어떤 영향을 미치는가?
• RQ3 특정 네트워크 모델에서 배경 지식과 탈동명화 성과 사이에 비단조적 관계가 존재하는가?
• RQ4 무작위 그래프 가정 하에서 탈동명화 성과는 어떻게 이론적으로 하한을 구할 수 있는가?

주요 결과

• 배경 지식의 양에 따라 탈동명화 성과가 반드시 단조롭게 증가하지는 않으며, 더 많은 지식이 항상 더 많은 재식별을 가져오지 않는다.
• 힘의 법칙 네트워크에서는 기대 일치 수 M_Q가 네트워크 크기 n, 질의 크기 n_Q, 그리고 힘의 법칙 지수 β를 포함하는 함수로 아래에서 유계진다.
• 이론적 분석을 통해 M_Q ≥ binom(n, n_Q) * n_Q! * (α / ((β - 2)n²))^(m_Q) 라는 부등식이 도출되며, 여기서 m_Q는 질의 그래프의 간선 수이다.
• 인위적 및 실재 네트워크에서의 시뮬레이션을 통해 특정 구조적 조건 하에서 배경 지식이 증가할수록 탈동명화 성과가 감소하거나 오히려 감소할 수 있음을 확인하였다.
• 결과는 공격자가 지식을 무작위로 수집하기보다 전략적으로 선택해야 하며, 데이터 소유자는 단순한 지식 양을 넘어서 프라이버시 위험을 재평가해야 한다는 시사점을 제공한다.